هوش مصنوعی در اعتبارسنجی؛ مرور پژوهش‌های داخلی

۱مقدمه

اعتبارسنجی، یعنی برآورد احتمال ناتوانی مشتری در بازپرداخت تسهیلات، از کارکردهای اصلی مدیریت ریسک بانک‌هاست. روش‌های سنتی مانند رگرسیون لجستیک و کارت امتیازدهی، به دلیل سادگی و تفسیرپذیری، همچنان رایج‌اند.

۲بررسی موضوع

مرور مقالات منتشرشده در همایش‌ها و نشریات علمی داخلی نشان می‌دهد پژوهشگران الگوریتم‌هایی چون شبکه‌های عصبی، ماشین بردار پشتیبان، جنگل تصادفی و تقویت گرادیان را بر داده‌های تسهیلات بانک‌های ایرانی آزموده‌اند و در بیشتر موارد، بهبود معناداری در شاخص‌هایی مانند دقت طبقه‌بندی و سطح زیر منحنی (AUC) گزارش کرده‌اند.

با این حال، این پژوهش‌ها محدودیت‌های مشترکی نیز دارند: داده‌های محدود به یک بانک یا یک دورهٔ زمانی، عدم توازن شدید میان مشتریان خوش‌حساب و بدحساب، و ارزیابی مدل بر داده‌های گذشته بدون آزمون در شرایط واقعی و تورمی.

انتقال این مدل‌ها از پژوهش به عملیات بانکی نیازمند سه گام است: یکپارچه‌سازی داده‌های پراکندهٔ مشتری، استفاده از روش‌های تفسیرپذیری برای توضیح دلیل هر تصمیم به مشتری و ناظر، و پایش مستمر عملکرد مدل برای شناسایی افت دقت در طول زمان.

۳جمع‌بندی

جمع‌بندی آن است که هوش مصنوعی در اعتبارسنجی جایگزین قضاوت کارشناسی نیست، بلکه ابزاری برای تصمیم‌گیری سریع‌تر و دقیق‌تر است؛ به شرط آن‌که شفافیت و انصاف آن تضمین شود.